去年，我們做了一個北美雙倉、跨洋補貨與履約風險決策平台。
表面上看，這是一個供應鏈系統：中國供應端、LA 與 Houston 兩個倉、多通路銷量、零售商叫貨 PO、訂艙、通關、運價、跨區履約與調撥。
但真的開始拆之後才發現，它其實不是在解一個「預測」問題，也不是在做一個「有 AI 的 dashboard」。它在處理的是：當資訊不完整、風險一直變、每個動作都會影響下一個動作時，今天到底該怎麼決定。
這段經驗也讓我們更確定一件事：現在用 AI 寫出一個系統，已經不是最難的部分。真正困難的是，團隊有沒有能力把一個產業裡那些還沒被講清楚的情境、限制與後果，一起看進去。
我想把這次專案裡，最有感的兩件事整理下來。
第一件事：模型不能活在事後，它必須活在當時
供應鏈裡有很多數字看起來都很直覺。
貨什麼時候到。 還有多少庫存。 報價是多少。 某一票貨有沒有被查驗。
但真的做決策時，最重要的往往不是最後的答案，而是：在那一天、那一刻，我們到底看得到什麼？
例如，後來更新過的 ETA 不能回頭當成當時已知的資訊；最終帳單不能拿來假裝當初就知道成本；查驗結果也不能在回測時提前出現。這些看起來像資料工程的小細節，實際上會直接決定模型是不是在自欺欺人。
如果模型用了未來才知道的資訊，它當然會看起來很準。 但那不是預測能力，只是事後諸葛。
所以我們在這個系統裡很在意事件發生時間、資料第一次可見的時間、規則版本，以及每一次 decision timestamp 下的狀態快照。不是因為這些東西很技術，而是因為真實世界不會讓你帶著答案回去做決策。
這也是我們認為 AI 真正開始有價值的一個分水嶺：它不只是能把資料算得更快，而是能不能在當下資訊不完整的情況下，把不確定性也一起說清楚。
不是只給一個 ETA，而是給一個到貨區間與風險。 不是只說要不要調貨，而是告訴你各種情境下可能發生什麼，還有發生的機率。 不是只說哪個方案成本最低，而是把缺貨、服務承諾、客戶關係與後續機會成本一起攤開來看。
這種能力不只是模型能力。它背後需要的是對問題本身的理解。
第二件事：人不是 AI 上線前的簽核，而是系統學習的一部分
這次有一個很典型的問題：Houston 的庫存，到底要不要拿去救美西的單？
如果只看單一訂單，答案可能很簡單。美西缺貨，Houston 還有貨，就跨區寄。
但只要往下多看一層，事情就不一樣了。
這批貨送去美西，可能保住一張高毛利訂單；但同時也可能讓 Houston 自己的區域在下一個需求高峰缺貨。中間還有跨區運費、承諾日、零售商罰則、倉庫作業能力，以及客戶長期價值。
一個成熟的系統，不應該只丟出「建議調撥」四個字。
它至少要講清楚：
- 這個動作在什麼情境下值得做。
- 不做會失去什麼；做了又會把哪些風險帶到下一站。
- 它有沒有碰到不能被成本抵銷的硬限制。
- 如果人決定修改建議，修改的是什麼，又為什麼。
這也是我們對 human-in-the-loop 的理解。
人不是模型上線前按一下「同意」的人。人工的批准、修改、拒絕與延後，本身都是很重要的訊號。它可能反映客戶關係、合規條件、現場狀況，或某些還沒有被寫進規則的商業判斷。
但人工判斷也不能只停在聊天紀錄裡。
模型當時提出了哪些候選方案、人工最後選了什麼、實際執行的是什麼，以及幾週或幾個月後真正發生了什麼，都必須能被保留下來。這樣系統才有機會形成一條可以回放的決策閉環，而不是每次都從零開始猜。
我們越來越確定：AI 若要走進複雜營運，它必須學的不是「人有沒有按同意」，而是人為什麼在那個情境下做了那個選擇，以及那個選擇最後帶來什麼結果。
複雜場景，難的從來不是把模型接起來
現在很多事情都可以很快做出 demo。
拉資料、接模型、做介面、讓它產生建議，這些事情的門檻確實正在下降。這是好事。
但真正走進產業之後，困難不會因此消失，它只是從「能不能做」變成「知不知道該怎麼做」。
哪些資料是事後才知道的，不能拿來訓練。 哪些規則是硬限制，不能讓模型用更高收益交換。 哪些平均數會掩蓋掉關鍵客戶、特定路線或特定倉的失敗。 哪些動作表面上救了一個區域，實際上只是把風險搬到另一個地方。
這些問題沒有一個只靠模型名稱可以回答。
它需要 customer insight，也需要 problem insight。更直接地說，它需要團隊願意陪著業務走到細節裡，把原本分散在不同角色經驗中的判斷，一點一點拆出來、定義出來、留下來。
這也是我們這一年很常在做的事。
我們不是先拿一套 AI 解法，再去找能套進去的問題；而是先把不同產業真正卡住的地方看清楚，再判斷模型、規則、資料與人的角色應該怎麼組合。
有些情況適合自動化。 有些情況應該只做建議。 有些情況最重要的反而是讓系統知道：現在資料不夠，應該停下來交給人判斷。
當決策開始同時看見一百多個資料源
這個專案最後串接了超過百個資料源、幾千個欄位，以及上千個關鍵因素。需求、庫存、零售商 PO、訂艙、跨洋節點、通關、運價、外部氣象訊號，以及人工覆核後真正執行的結果，都必須在 SKU、倉別、通路與時間上對得起來。
聽起來像資料整合，但困難從來不只在接進來。每一筆資訊都會改變下一個動作的判斷：是先補貨、改分倉、跨區直寄，還是乾脆不動。系統必須即時把庫存週轉、缺貨風險、服務承諾、物流成本與貢獻毛利放到同一張決策帳上，讓團隊不必靠一連串人工轉述與試算，才知道這一票貨該怎麼走。
結果是，庫存周轉率與毛利率都出現顯著提升；專案回本週期低於一年，截至撰稿時換算的 ROI 已超過 300%。
不過，這份成果從來不是我們自己完成的。它來自企業主願意為長期價值投入的遠見，也來自內部團隊全力配合，讓資料、流程與現場判斷真正被攤開來一起處理。更難得的是，面對導入初期難免出現的小錯誤，團隊選擇一起修正、一起校準，而不是在第一次不完美時就放棄。這些看似不在系統裡的條件，才讓專案最後走出了亮眼的成績。
結語
回頭看這個雙倉供應鏈專案，我們完成的不只是模型與規則的設計基線。
更重要的是，我們重新驗證了一件一直相信的事：AI 的成熟，不在於它看起來多聰明，而在於它能不能理解自己正在面對什麼樣的不確定性；能不能把限制與後果說清楚；又能不能和人的經驗一起，把複雜的決策走得更穩。
真正能在產業裡創造價值的，不是把 AI 放進系統裡而已。 而是把那些原本沒有被系統看見的情境與判斷，也一起放進去。